Fugu-MT 論文翻訳(概要): BSDA: Bayesian Random Semantic Data Augmentation for Medical Image Classification

論文の概要: BSDA: Bayesian Random Semantic Data Augmentation for Medical Image Classification

arxiv url: http://arxiv.org/abs/2403.06138v2
Date: Thu, 27 Jun 2024 06:16:30 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 19:26:56.963371
Title: BSDA: Bayesian Random Semantic Data Augmentation for Medical Image Classification
Title（参考訳）: BSDA:医療画像分類のためのベイジアンランダムセマンティックデータ拡張
Authors: Yaoyao Zhu, Xiuding Cai, Xueyao Wang, Xiaoqing Chen, Yu Yao, Zhongliang Fu,
Abstract要約: 本稿では,計算効率が良く,手作業の不要な特徴量DA法であるEmphBayesian Random Semantic Data Augmentation (BSDA)を提案する。 BSDAはプラグイン・アンド・プレイモジュールとしてCNNやTransformersに簡単に組み立てられ、ネットワークの性能が向上する。
参考スコア（独自算出の注目度）: 11.710389196369087
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data augmentation is a crucial regularization technique for deep neural networks, particularly in medical image classification. Mainstream data augmentation (DA) methods are usually applied at the image level. Due to the specificity and diversity of medical imaging, expertise is often required to design effective DA strategies, and improper augmentation operations can degrade model performance. Although automatic augmentation methods exist, they are computationally intensive. Semantic data augmentation can implemented by translating features in feature space. However, over-translation may violate the image label. To address these issues, we propose \emph{Bayesian Random Semantic Data Augmentation} (BSDA), a computationally efficient and handcraft-free feature-level DA method. BSDA uses variational Bayesian to estimate the distribution of the augmentable magnitudes, and then a sample from this distribution is added to the original features to perform semantic data augmentation. We performed experiments on nine 2D and five 3D medical image datasets. Experimental results show that BSDA outperforms current DA methods. Additionally, BSDA can be easily assembled into CNNs or Transformers as a plug-and-play module, improving the network's performance. The code is available online at \url{https://github.com/YaoyaoZhu19/BSDA}.
Abstract（参考訳）: データ拡張はディープニューラルネットワーク、特に医用画像分類において重要な正規化技術である。メインストリームデータ拡張(DA)法は通常、画像レベルで適用される。医用画像の特異性と多様性のため、効果的なDA戦略を設計するために必要な専門知識がしばしば必要であり、不適切な拡張操作はモデル性能を劣化させる可能性がある。自動拡張法は存在するが、計算集約性が高い。セマンティックデータ拡張は、機能空間の機能を翻訳することで実装できる。しかし、過剰翻訳は画像ラベルに違反する可能性がある。これらの問題に対処するために,計算効率が良く,手作業の不要な特徴量DA法である \emph{Bayesian Random Semantic Data Augmentation} (BSDA) を提案する。 BSDAは変分ベイジアンを用いて拡張可能な大きさの分布を推定し、この分布からのサンプルを元の特徴に追加して意味データ拡張を行う。 9つの2次元および5つの医用画像データセットについて実験を行った。実験の結果,BSDAは現在のDA法よりも優れていた。さらにBSDAはプラグイン・アンド・プレイモジュールとしてCNNやTransformersに簡単に組み込むことができ、ネットワークの性能が向上する。コードは \url{https://github.com/YaoyaoZhu19/BSDA} でオンラインで公開されている。

関連論文リスト

MEDDAP: Medical Dataset Enhancement via Diversified Augmentation Pipeline [1.4910709350090976]
我々はMEDDAPと呼ばれる新しいパイプラインを導入し、新しい情報付きラベル付きサンプルを自動生成することで、既存の小さなデータセットを拡張する。 USLoRAはSD内の重量を選択的に微調整することができ、SDのUNet部分のみを完全微調整するのに対し、パラメータは0.1%未満である。このアプローチは、乳がんに関する臨床医の意思決定プロセスに触発され、腫瘍の形状が強度よりも重要な役割を担っていることが多い。
論文参考訳（メタデータ） (2024-03-25T00:17:43Z)
DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
本稿では,新しい分類指向フレームワークDreamDAを提案する。 DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
論文参考訳（メタデータ） (2024-03-19T15:04:35Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis [10.432599009897523]
MedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。医用画像の細部や特徴を分解できる操作を除外し,画素拡大空間と空間拡張空間を提案する。これらの改訂は、自然画像と医用画像の違いに対処する。
論文参考訳（メタデータ） (2023-06-30T08:22:48Z)
DiffuseExpand: Expanding dataset for 2D medical image segmentation using diffusion models [5.822451422344051]
DPMを用いた2次元医用画像分割のためのデータセット拡張のためのDiffuseExpandを提案する。 DPMは、ジェネレーティブ・アドバイサル・ネットワークよりも強力な画像合成性能を示している。 COVID-19とCGMH Pelvisデータセットの比較およびアブレーション実験により,DiffuseExpandの有効性が示された。
論文参考訳（メタデータ） (2023-04-26T09:55:12Z)
Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文参考訳（メタデータ） (2023-02-07T20:42:28Z)
GSDA: Generative Adversarial Network-based Semi-Supervised Data Augmentation for Ultrasound Image Classification [8.554511144730387]
医用超音波(英語: Medical Ultrasound、略称:US)は、臨床において最も広く用いられる画像のモダリティの一つである。ディープラーニング(DL)モデルは、先進的な米国の画像分析ツールとして機能するが、大規模なデータセットの不足により、その性能は大幅に制限される。我々はGANに基づく半教師付きデータ拡張法を開発した。
論文参考訳（メタデータ） (2022-03-11T16:52:14Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
論文参考訳（メタデータ） (2021-08-07T11:32:37Z)
Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。また,適応的セマンティックデータ拡張 (ASDA) を提案する。最先端の結果は、挑戦的なベンチマークで得られます。
論文参考訳（メタデータ） (2020-08-03T07:56:04Z)
Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文参考訳（メタデータ） (2020-02-26T04:18:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。